[論文レビュー] Spectrally approximating large graphs with smaller graphs

Andreas Loukas, Pierre Vandergheynst|arXiv (Cornell University)|Feb 21, 2018

Complex Network Analysis Techniques被引用数 7

ひとこと要約

本稿では、グラフの粗化におけるスペクトル近似フレームワークを導入し、新しい制限付きスペクトル類似性（RSS）条件のもとで、粗化されたグラフの主固有値および固有空間が元のグラフのそれらと近く保たれることを示している。RSS特性は確率的マッチングに基づく粗化によって達成され、修正なしに保証された良いスペクトルクラスタリングを可能にし、実験的に観察された性能の理論的裏付けを提供する。

ABSTRACT

How does coarsening affect the spectrum of a general graph? We provide conditions such that the principal eigenvalues and eigenspaces of a coarsened and original graph Laplacian matrices are close. The achieved approximation is shown to depend on standard graph-theoretic properties, such as the degree and eigenvalue distributions, as well as on the ratio between the coarsened and actual graph sizes. Our results carry implications for learning methods that utilize coarsening. For the particular case of spectral clustering, they imply that coarse eigenvectors can be used to derive good quality assignments even without refinement---this phenomenon was previously observed, but lacked formal justification.

研究の動機と目的

• グラフの粗化がグラフラプラシアンのスペクトルに与える影響、特にスペクトルクラスタリングおよび学習応用における影響を理解すること。
• 元のグラフと粗化されたグラフの固有値および固有空間がスペクトル的に近くなる理論的条件を確立すること。
• 修正なしに粗い固有ベクトルが優れたクラスタリング結果をもたらすという経験的観察に対する形式的根拠を提供すること。
• スペクトル近似における主要な道具としての制限付きスペクトル類似性（RSS）特性を導入し、分析すること。
• グラフの次数分布および粗化比がスペクトル保存に与える影響を定量化すること。

提案手法

• 特定のベクトル集合に関して、粗化されたラプラシアンと元のラプラシアンのスペクトル挙動を制限する、制限付きスペクトル類似性（RSS）特性を導入する。
• ランダムマッチングに基づくエッジの縮約により粗化グラフを構築し、次数分布および粗化比に依存する小さなRSS定数を保証する。
• RSS特性を用いて、元のグラフと粗化されたグラフの主固有値および固有空間の乖離を評価する。
• 摂動理論および行列解析を用いて、固有ベクトル近似誤差をRSS定数およびスペクトルギャップに関連付ける。
• エッジの包含確率に関する和集合と期待値解析を用いて、射影された固有ベクトルの差のフロベニウスノルムを上界で評価する。
• Fiedlerエネルギーおよびスペクトル距離を介して、RSSおよびグラフ構造にリンクするクラスタリング品質の確率的境界を導出する。

実験結果

リサーチクエスチョン

• RQ1 どのような条件下で、粗化されたグラフラプラシアンの主固有値および固有空間が元のグラフのそれらと近く保たれるか？
• RQ2 特にランダムマッチングを用いた粗化手法の選択が、スペクトル近似品質にどのように影響するか？
• RQ3 粗い固有ベクトルは修正なしに高品質なクラスタリング割り当てを生成できるか、その理由は何か？
• RQ4 グラフの次数分布および粗化比は、スペクトル近似誤差の制御にどのような役割を果たすか？
• RQ5 制限付きスペクトル類似性（RSS）特性は、スペクトルクラスタリング結果の乖離をどのように上界で制御できるか？

主な発見

• RSS定数が小さい限り、粗化されたグラフと元のグラフラプラシアンの主固有値および固有空間はスペクトル的に近く保たれる。この条件は、ランダムマッチングによる粗化によって保証される。
• RSS定数は次数分布に依存し、粗化されたグラフと元のグラフのサイズ比によって制御可能であり、これによりスペクトル近似を調整可能にする。
• スペクトルクラスタリングの文脈では、本稿では粗いグラフからの持ち上げられた固有ベクトルが、修正なしに高品質なクラスタリング割り当てをもたらすことを証明しており、従来の経験的観察を裏付ける。
• 粗いクラスタリングのFiedlerエネルギーにおける期待誤差は、(1 - e^(-4ϱ_max T/N))に比例する項によって上界で抑えられ、粗化比T/Nが増加するにつれて減少する。
• 固有ベクトル差の期待フロベニウスノルムは、スペクトルギャップδ_Kおよび固有値の和に依存する関数で上界が与えられ、局所的グラフ構造およびエッジ重みに依存する補正項を含む。
• 次数が有界で、重み付きエッジポテンシャルが存在する条件下では、誤差上界は平均次数およびスペクトルギャップを含む形に単純化され、グラフのスパarsityに対して頑健であることが示される。